跳到主要内容
跳到主要内容

自然语言处理 (NLP) 函数

Experimental feature. Learn more.
Not supported in ClickHouse Cloud
警告

这是一个实验性功能，当前正在开发中，并尚未准备好供一般使用。它将在未来的版本中以不可预测的向后不兼容的方式发生变化。设置 allow_experimental_nlp_functions = 1 以启用它。

detectCharset​

引入于: v22.2

检测非UTF8编码输入字符串的字符集。

语法

detectCharset(s)

参数

  • s — 要分析的文本。 String

返回值

返回一个包含检测到的字符集代码的字符串 String

示例

基本用法

SELECT detectCharset('Ich bleibe für ein paar Tage.')

WINDOWS-1252

detectLanguage​

引入于: v22.2

检测UTF8编码输入字符串的语言。 该函数使用 CLD2 库 进行检测，并返回 2 字母 ISO 语言代码。

输入的文本越长，语言检测的精确度越高。

语法

detectLanguage(s)

参数

  • text_to_be_analyzed — 要分析的文本。 String

返回值

返回检测到的语言的 2 字母 ISO 代码。其他可能的结果：un = 未知，无法检测任何语言，other = 检测到的语言没有 2 字母代码。 String

示例

混合语言文本

SELECT detectLanguage('Je pense que je ne parviendrai jamais à parler français comme un natif. Where there\'s a will, there\'s a way.')

fr

detectLanguageMixed​

引入于: v22.2

与 detectLanguage 函数类似，但 detectLanguageMixed 返回一个 Map，其 2 字母语言代码映射到文本中相应语言的百分比。

语法

detectLanguageMixed(s)

参数

  • s — 要分析的文本 String

返回值

返回一个映射，键为 2 字母 ISO 代码，对应值为该语言在文本中所占的百分比 Map(String, Float32)

示例

混合语言

SELECT detectLanguageMixed('二兎を追う者は一兎をも得ず二兎を追う者は一兎をも得ず A vaincre sans peril, on triomphe sans gloire.')

{'ja':0.62,'fr':0.36}

detectLanguageUnknown​

引入于: v22.2

与 detectLanguage 函数类似，但 detectLanguageUnknown 函数处理非UTF8编码字符串。当字符集为 UTF-16 或 UTF-32 时，请优先使用此版本。

语法

detectLanguageUnknown('s')

参数

  • s — 要分析的文本。 String

返回值

返回检测到的语言的 2 字母 ISO 代码。其他可能的结果：un = 未知，无法检测任何语言，other = 检测到的语言没有 2 字母代码。 String

示例

基本用法

SELECT detectLanguageUnknown('Ich bleibe für ein paar Tage.')

de

detectProgrammingLanguage​

引入于: v22.2

从给定的源代码片段中确定编程语言。

语法

detectProgrammingLanguage('source_code')

参数

  • source_code — 要分析的源代码的字符串表示。 String

返回值

返回编程语言 String

示例

C++ 代码检测

SELECT detectProgrammingLanguage('#include <iostream>')

C++

detectTonality​

引入于: v22.2

确定提供的文本数据的情感。

限制

此函数在当前形式下受到限制，因为它使用嵌入的情感词典，仅对俄语有效。

语法

detectTonality(s)

参数

  • s — 要分析的文本。 String

返回值

返回文本中单词的平均情感值 Float32

示例

俄语情感分析

SELECT
    detectTonality('Шарик - хороший пёс'),
    detectTonality('Шарик - пёс'),
    detectTonality('Шарик - плохой пёс')

0.44445, 0, -0.3

lemmatize​

引入于: v21.9

对给定单词进行词形还原。 该函数需要字典进行操作，可以从 github 获取。有关从本地文件加载字典的更多细节，请参见页面 "定义字典"。

语法

lemmatize(lang, word)

参数

  • lang — 将应用规则的语言。 String
  • word — 需要进行词形还原的小写单词。 String

返回值

返回单词的词形还原形式 String

示例

英语词形还原

SELECT lemmatize('en', 'wolves')

wolf

stem​

引入于: v21.9

对给定单词进行词干提取。

语法

stem(lang, word)

参数

  • lang — 将应用规则的语言。使用两个字母的 ISO 639-1 代码。 String
  • word — 需要进行词干提取的小写单词。 String

返回值

返回单词的词干形式 String

示例

英语词干提取

SELECT arrayMap(x -> stem('en', x),
['I', 'think', 'it', 'is', 'a', 'blessing', 'in', 'disguise']) AS res

['I','think','it','is','a','bless','in','disguis']

synonyms​

引入于: v21.9

查找给定单词的同义词。

有两种类型的同义词扩展：

  • plain
  • wordnet

使用 plain 扩展类型时，您需要提供一个简单文本文件的路径，其中每行对应于某个同义词集。 每行中的单词必须用空格或制表符分隔。

使用 wordnet 扩展类型时，您需要提供一个包含 WordNet 词库的目录的路径。 词库必须包含 WordNet 意义索引。

语法

synonyms(ext_name, word)

参数

  • ext_name — 将执行搜索的扩展的名称。 String
  • word — 将在扩展中搜索的单词。 String

返回值

返回给定单词的同义词数组。 Array(String)

示例

查找同义词

SELECT synonyms('list', 'important')

['important','big','critical','crucial']